内涝预测模型的训练方法、模型及预测方法和存储装置与流程

1.本技术属于城市内涝预报技术领域，尤其是涉及一种内涝预测模型的训练方法、模型及预测方法和存储装置。


背景技术：

2.人类的各种生产活动，使得全球气候变暖趋势严重，各种极端气候造成的灾难事件频发。尤其是最近台风造成多日暴雨，使得大部分地区深受洪涝灾害，内涝积水的影响，给人们的生活造成了极大的不便。目前国内外众多学者针对于内涝灾害的预测投入了大量的研究。内容涉及了内涝的成因，危险性，脆弱性以及风险评估等问题。研究方法大致可以分为两个学派。一个学派是依赖于传统的水文模型，水利工程经验，市政规划的知识。如基于情景模拟与多源数据的城市内涝风险评估中通过情景模拟法，结合百度热力图，npp
‑
viirs灯光等多源数据进行灾害风险评估，采用hr阈值法进行建模；文献《基于物联网的城市内涝在线预测预警系统》中，在区域管模型的基础上，构建了排洪防涝模型。又如文献《the study of urban rainstorm waterlogging scenario simulation based on gis and swmm model》中基于传统的gis空间分析模型与swmm模型，构建昆明城市内涝模型。并通过设计不同降雨模式的模拟，研究城市内涝特征及城市化效应。
3.在现有的预测方法中对特征因子的选择，评价的指标都是人为的定义和选择，难以在大数据中准确的去除噪声，提取出主成分。同时，采用神经网络深度学习训练模型需要采集大量的数据样本，这一点很难满足实际的工程需要。而且在内涝模型大数据预测中，灾害往往和地貌特征分布紧密关联。因而数据分布的不均匀性，场景的迁移都会对最终的结果造成很大的影响。


技术实现要素：

4.本发明要解决的技术问题是：为解决现有技术中的不足，从而提供一种较为准确进行内涝预测的模型的训练方法、内涝预测模型及内涝预测方法和存储装置。
5.本发明解决其技术问题所采用的技术方案是：
6.一种内涝预测模型的训练方法，包括以下步骤：
7.s1:获取充分多条特定区域的一段时间内的降雨量、气候温度、最大积水深度的历史数据；
8.其中降雨量、气化温度、最大积水深度都是由气象部门的数据采集得到，降雨量、气化温度为按照时间顺序排列的一维向量，最大积水深度与降雨量、气化温度相对应；
9.获取所述特定区域的管道分布图，根据管道分布图构建管道分布特征向量，所述管道分布特征向量为一维向量，一维向量的每个元素为流入和流出所述特定区域的管道的长度和流速，其中流速中流入为正值，流出为负值；
10.连列降雨量、气候温度、管道分布特征向量，形成初始特征向量a1；
11.s2:通过多层的一维卷积层对初始特征向量a1进行特征提取，得到提取特征之后
的提取特征向量a2；
12.s3:将提取特征向量a2通过灰色模型gm(1,1)进行m次累加循环，生成预测序列a3。
13.s4:计算灰色模型gm(1,1)输出的预测序列a3与原始序列a1的残差序列e；e＝a3‑
a1；
14.s5:将残差序列e归一化之后，作为长短时记忆网络神经模型的训练用输入向量，将最大积水深度作为长短时记忆网络神经模型的训练用输出向量；
15.s6：使用训练用输入向量和训练用输出向量训练长短时记忆网，得出内涝预测模型。
16.优选地，本发明的内涝预测模型的训练方法，每种管道分布下的历史数据至少为500条以上。
17.优选地，本发明的内涝预测模型的训练方法，流入和流出所述特定区域的管道为4个，流出管道为3，当流入管道或流出管道不足时，以0补齐，当流入管道或流出管道超出时，舍弃流量较小的那些管道的数据。
18.优选地，本发明的内涝预测模型的训练方法，所述特定区域为桥底、隧道、低洼路面。
19.本发明还提供一种内涝预测模型装置，使用上述的内涝预测模型的训练方法训练得到。
20.本发明还提供一种特定区域的内涝预测方法，包括以下步骤
21.采集天气预报数据，天气预报数据包括某区域的降雨量、气候温度，并根据区域内的管道情况构建管道分布特征向量；
22.管道分布特征向量的构建方法为，所述管道分布特征向量为连列的一维向量，一维向量的每个元素为流入和流出所述特定区域的管道的长度和流速，其中流速中流入为正值，流出为负值；
23.将降雨量、气候温度以及管道分布特征向量形成初始特征向量a1；
24.通过多层的一维卷积层对初始特征向量a1进行特征提取，得到提取特征之后的提取特征向量a2；
25.将提取特征向量a2通过灰色模型gm(1,1)进行m次累加循环，生成预测序列a3。
26.计算灰色模型gm(1,1)输出的预测序列a3与原始序列a1的残差序列e；e＝a3‑
a1；
27.将残差序列e归一化之后，得到输入向量；
28.将输入向量输入到权利要求5的内涝预测模型装置中，获取最大积水深度。
29.优选地，本发明的特定区域的内涝预测方法，当流入管道或者流出不足训练时的流入管道数量时，以0补齐，当入管道或者流出超出训练时的流入管道数量时，舍弃流量较小的那些管道的数据。
30.优选地，本发明的特定区域的内涝预测方法，获取的最大积水深度超过预警值时，发出警报。
31.本发明还提供一种计算机存储介质，所述计算机存储介质存储有一条或一条以上指令，所述指令适于由处理器加载并执行上述的方法。
32.本发明的有益效果是：
33.1.使用容易取得的降雨量、气候温度、最大积水深度这些历史数据，采用改进灰色
模型外推插补不同时刻的特征数据序列并与长短时记忆网lstm相结合，进行特征序列预测。从而提高在小样本情况下的数据预测的准确率。
34.2.通过多个一维卷积层对大数据样本进行特征向量的提取。避免人为的选取特征，使得整体算法可以自适应提取最具代表性的主成分特征，自动权衡各个特征的权重配比。
附图说明
35.下面结合附图和实施例对本技术的技术方案进一步说明。
36.图1是本技术实施例的内涝预测模型的训练方法各步骤内容示意图；
37.图2是本技术实施例的内涝预测模型的训练方法的流程图。
具体实施方式
38.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
39.下面将参考附图并结合实施例来详细说明本技术的技术方案。
40.实施例1
41.本实施例提供一种内涝预测模型的训练方法，如图1所示，包括以下步骤：
42.s1:获取充分多条特定区域的一段时间内的降雨量、气候温度、最大积水深度的历史数据；(最大积水深度与降雨量、气候温度数据相对应均是来自特定区域一段时间内，比如48小时内)
43.其中降雨量、气化温度、最大积水深度都是气象部门的数据采集得到，为按照时间顺序排列的一维向量；
44.获取所述特定区域的管道分布图，根据管道分布图构建管道分布特征向量，所述管道分布特征向量为连列的一维向量，一维向量的每个元素为流入和流出所述特定区域的管道的长度和流速，其中流速中流入为正值，流出为负值；一般来说，流入和流出所述特定区域的管道为4个，流出管道为3，当流入管道不足4个时，以0补齐，当流入管道超过3个时，舍弃流量最小的那组管道的数据，或者将类似管道进行合并；
45.连列降雨量、气候温度、管道分布特征向量，形成初始特征向量a1；比如流入管道有3根流入，1根流出，那么(l1、h1、l2、h2、l3、h3、l4、h4、l’1、h’1、l’2、h’2、l’3、h’3)；其中ln为第n根流入管道的长度，hn为第n根流入管道的流量，l’n为第n根流出管道的长度，h’n为第n根流出管道的流量；其中l4、h4、l’2、h’2、l’3、h’3数值为0；
46.优选地，每种管道分布下的历史数据至少为500条以上；
47.s2:通过多层的一维卷积层对初始特征向量a1进行特征提取，得到提取特征之后的提取特征向量a2；
48.s3:将提取特征向量a2通过灰色模型gm(1,1)进行m次累加循环，生成预测序列a3。m次指整数次，通过累加循环预测序列a3不再变化时停止。
49.s4:计算灰色模型gm(1,1)输出的预测序列a3与原始序列a1的残差序列e；e＝a3‑
a1；
50.s5:将残差序列e归一化之后，作为长短时记忆网络神经模型(lstm)的训练用输入
向量，将最大积水深度作为长短时记忆网络神经模型(lstm)的训练用输出向量；
51.s6：使用训练用输入向量和训练用输出向量训练长短时记忆网，得出内涝预测模型。
52.内涝预测模型在使用时，需要输入天气预报的降雨量、气候温度以及管道分布特征向量，最终由内涝预测模型输出。
53.管道分布特征向量中，当流入流出管道不足训练所采集的数量时，以0补齐，当流入流出管道超过训练所采集的数量时，舍弃流量最小的那组管道的数据。
54.特别地，所述特定区域为桥底、隧道、低洼路面。
55.实施例2
56.本实施例提供一种特定区域的内涝预测方法，包括以下步骤
57.采集天气预报数据，天气预报数据包括降雨量、气候温度以及管道分布特征向量；
58.管道分布特征向量的构建方法为，所述管道分布特征向量为连列的一维向量，一维向量的每个元素为流入和流出所述特定区域的管道的长度和流速，其中流速中流入为正值，流出为负值，当流入流出管道不足训练所采集的数量时，以0补齐，当流入流出管道超过训练所采集的数量时，舍弃流量最小的那组管道的数据；
59.将降雨量、气候温度以及管道分布特征向量形成初始特征向量a1；
60.通过多层的一维卷积层对初始特征向量a1进行特征提取，得到提取特征之后的提取特征向量a2；
61.将提取特征向量a2通过灰色模型gm(1,1)进行m次累加循环，生成预测序列a3。
62.计算灰色模型gm(1,1)输出的预测序列a3与原始序列a1的残差序列e；e＝a3‑
a1；
63.将残差序列e归一化之后，得到输入向量；
64.将输入向量输入到实施例1的内涝预测模型中，获取最大积水深度。
65.值得说明的是，如果需要计算大尺度，如城市级面积区域，需要将区域拆分成节点，对每个节点进行内涝预测。
66.当获取的最大积水深度超过预警值时，发出警报，预报该处积水深度超过警戒水位。
67.实施例3
68.本实施例提供一种内涝预测模型装置，使用实施例1所述的内涝预测模型的训练方法训练得到。
69.实施例4
70.本实施例一种计算机存储介质，所述计算机存储介质存储有一条或一条以上指令，所述指令适于由处理器加载并执行如实施例1所述的方法。
71.实施例5
72.本实施例一种计算机存储介质，所述计算机存储介质存储有一条或一条以上指令，所述指令适于由处理器加载并执行如实施例2所述的方法。
73.上述实施例中：
74.1.使用容易取得的降雨量、气候温度、最大积水深度这些历史数据(在预测时，使用天气预报数据结合容易现场采集的管道数据)，采用改进灰色模型外推插补不同时刻的特征数据序列并与长短时记忆网lstm相结合，进行特征序列预测。从而提高在小样本情况
下的数据预测的准确率。
75.2.通过多个一维卷积层对大数据样本进行特征向量的提取。避免人为的选取特征，使得整体算法可以自适应提取最具代表性的主成分特征，自动权衡各个特征的权重配比。
76.以上述依据本技术的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
77.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
78.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
79.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
80.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。